Een team van natuurkundigen en computerwetenschappers van ETH Zürich heeft een nieuwe benadering ontwikkeld voor het probleem van donkere materie en donkere energie in het universum. Met behulp van machine learning-tools, ze programmeerden computers om zichzelf te leren hoe ze de relevante informatie uit kaarten van het universum konden halen.

Het begrijpen van hoe ons universum is geworden tot wat het nu is en wat zijn uiteindelijke bestemming zal zijn, is een van de grootste uitdagingen in de wetenschap. De ontzagwekkende weergave van talloze sterren op een heldere nacht geeft ons een idee van de omvang van het probleem, en toch is dat maar een deel van het verhaal. Het diepere raadsel ligt in wat we niet kunnen zien, althans niet direct:donkere materie en donkere energie. Met donkere materie die het universum samentrekt en donkere energie waardoor het sneller uitdijt, kosmologen moeten precies weten hoeveel van die twee er zijn om hun modellen te verfijnen.

Bij ETH Zürich, wetenschappers van het departement Natuurkunde en het Departement Informatica hebben nu de handen ineen geslagen om standaardmethoden te verbeteren voor het schatten van het gehalte aan donkere materie van het universum door middel van kunstmatige intelligentie. Ze gebruikten geavanceerde machine learning-algoritmen voor kosmologische data-analyse die veel gemeen hebben met die voor gezichtsherkenning door Facebook en andere sociale media. Hun resultaten zijn onlangs gepubliceerd in het wetenschappelijke tijdschrift Fysieke beoordeling D .

Gezichtsherkenning voor kosmologie

Hoewel er geen gezichten te herkennen zijn op foto's van de nachtelijke hemel, kosmologen zoeken nog steeds naar iets soortgelijks, als Tomasz Kacprzak, een onderzoeker in de groep van Alexandre Refregier aan het Institute of Particle Physics and Astrophysics, legt uit:"Facebook gebruikt zijn algoritmen om ogen te vinden, monden of oren in afbeeldingen; we gebruiken die van ons om te zoeken naar de veelbetekenende tekens van donkere materie en donkere energie." Omdat donkere materie niet rechtstreeks kan worden gezien in telescoopafbeeldingen, natuurkundigen vertrouwen op het feit dat alle materie - inclusief de donkere variëteit - het pad van lichtstralen die vanuit verre sterrenstelsels op de aarde aankomen enigszins afbuigt. Dit effect, bekend als "zwakke zwaartekrachtlensing, " vervormt de beelden van die sterrenstelsels heel subtiel, net zoals verre objecten wazig lijken op een warme dag als licht bij verschillende temperaturen door luchtlagen gaat.

Kosmologen kunnen die vervorming gebruiken om achteruit te werken en massakaarten van de lucht te maken die laten zien waar donkere materie zich bevindt. Volgende, ze vergelijken die donkere-materiekaarten met theoretische voorspellingen om uit te vinden welk kosmologisch model het meest overeenkomt met de gegevens. traditioneel, dit gebeurt met behulp van door mensen ontworpen statistieken zoals zogenaamde correlatiefuncties die beschrijven hoe verschillende delen van de kaarten zich tot elkaar verhouden. Dergelijke statistieken, echter, zijn beperkt in hoe goed ze complexe patronen in de materiekaarten kunnen vinden.

Neurale netwerken leren zichzelf

"In ons recente werk we hebben een volledig nieuwe methode gebruikt, " zegt Alexandre Refregier. "In plaats van zelf de juiste statistische analyse uit te vinden, we laten computers het werk doen." Hier komen Aurelien Lucchi en zijn collega's van het Data Analytics Lab van de afdeling Informatica om de hoek kijken. Samen met Janis Fluri, een doctoraat student in de groep van Refregier en hoofdauteur van de studie, ze gebruikten algoritmen voor machinaal leren die diepe kunstmatige neurale netwerken worden genoemd en leerden hen om de grootst mogelijke hoeveelheid informatie uit de kaarten van donkere materie te halen.

In een eerste stap, de wetenschappers trainden de neurale netwerken door ze computergegenereerde gegevens te geven die het universum simuleren. Op die manier, ze wisten wat het juiste antwoord was voor een bepaalde kosmologische parameter, bijvoorbeeld de verhouding tussen de totale hoeveelheid donkere materie en donkere energie zou voor elke gesimuleerde kaart van donkere materie moeten zijn. Door herhaaldelijk de donkere-materiekaarten te analyseren, het neurale netwerk heeft zichzelf geleerd om daarin de juiste eigenschappen te zoeken en steeds meer van de gewenste informatie te extraheren. In de Facebook-analogie, het werd beter in het onderscheiden van willekeurige ovale vormen van ogen of monden.

Nauwkeuriger dan door mensen gemaakte analyse

De resultaten van die training waren bemoedigend:de neurale netwerken kwamen met waarden die 30% nauwkeuriger waren dan die verkregen met traditionele methoden op basis van door mensen gemaakte statistische analyse. Voor kosmologen, dat is een enorme verbetering, aangezien het bereiken van dezelfde nauwkeurigheid door het vergroten van het aantal telescoopbeelden twee keer zoveel observatietijd zou vergen, wat duur is.

Eindelijk, de wetenschappers gebruikten hun volledig getrainde neurale netwerk om werkelijke donkere materiekaarten uit de KiDS-450-dataset te analyseren. "Dit is de eerste keer dat dergelijke machine learning-tools in deze context worden gebruikt, " zegt Fluri, "en we ontdekten dat het diepe kunstmatige neurale netwerk ons ​​in staat stelt meer informatie uit de gegevens te halen dan eerdere benaderingen. We geloven dat dit gebruik van machine learning in de kosmologie veel toekomstige toepassingen zal hebben."

Als volgende stap, hij en zijn collega's zijn van plan hun methode toe te passen op grotere beeldsets zoals de Dark Energy Survey. Ook, meer kosmologische parameters en verfijningen zoals details over de aard van donkere energie zullen naar de neurale netwerken worden gevoerd.